CN110865046B - 一种食用油反式脂肪酸异构体含量的快速检测方法 - Google Patents
一种食用油反式脂肪酸异构体含量的快速检测方法 Download PDFInfo
- Publication number
- CN110865046B CN110865046B CN201911193318.5A CN201911193318A CN110865046B CN 110865046 B CN110865046 B CN 110865046B CN 201911193318 A CN201911193318 A CN 201911193318A CN 110865046 B CN110865046 B CN 110865046B
- Authority
- CN
- China
- Prior art keywords
- trans
- fatty acid
- edible oil
- near infrared
- content
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000000194 fatty acid Substances 0.000 title claims abstract description 103
- 239000008157 edible vegetable oil Substances 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 49
- 238000001069 Raman spectroscopy Methods 0.000 claims abstract description 46
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 238000001237 Raman spectrum Methods 0.000 claims abstract description 16
- 238000012417 linear regression Methods 0.000 claims abstract description 16
- 238000005516 engineering process Methods 0.000 claims abstract description 15
- 238000001228 spectrum Methods 0.000 claims description 38
- 238000002834 transmittance Methods 0.000 claims description 30
- 235000014113 dietary fatty acids Nutrition 0.000 claims description 16
- 229930195729 fatty acid Natural products 0.000 claims description 16
- 150000004665 fatty acids Chemical class 0.000 claims description 16
- 230000005540 biological transmission Effects 0.000 claims description 12
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 235000010692 trans-unsaturated fatty acids Nutrition 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 230000001419 dependent effect Effects 0.000 claims description 6
- 238000004416 surface enhanced Raman spectroscopy Methods 0.000 claims description 6
- 238000000479 surface-enhanced Raman spectrum Methods 0.000 claims description 6
- 230000002860 competitive effect Effects 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000010561 standard procedure Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 239000000523 sample Substances 0.000 description 34
- 239000013307 optical fiber Substances 0.000 description 13
- 238000013500 data storage Methods 0.000 description 3
- ADHNUPOJJCKWRT-KRPOFHJFSA-N (2E)-octadeca-2,4-dienoic acid Chemical compound CCCCCCCCCCCCCC=C\C=C\C(O)=O ADHNUPOJJCKWRT-KRPOFHJFSA-N 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000004611 spectroscopical analysis Methods 0.000 description 2
- LKOVPWSSZFDYPG-WUKNDPDISA-N trans-octadec-2-enoic acid Chemical compound CCCCCCCCCCCCCCC\C=C\C(O)=O LKOVPWSSZFDYPG-WUKNDPDISA-N 0.000 description 2
- 241000272814 Anser sp. Species 0.000 description 1
- 208000010496 Heart Arrest Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000006555 catalytic reaction Methods 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000004332 deodorization Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005984 hydrogenation reaction Methods 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000002095 near-infrared Raman spectroscopy Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3577—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing liquids, e.g. polluted water
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/65—Raman scattering
- G01N21/658—Raman scattering enhancement Raman, e.g. surface plasmons
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明涉及一种食用油反式脂肪酸异构体含量的快速检测方法,解决近红外光谱技术对食用油中各种不同反式脂肪酸异构体含量的区分效果差的问题。本方法包括以下步骤:步骤1,利用近红外光谱技术建立食用油中总反式脂肪酸含量的线性回归方程;步骤2:反式脂肪酸异构体的拉曼特征变量提取及浓度系数确定;步骤3:反式脂肪酸异构体含量的快速定量预测;本发明用近红外光谱检测食用油中反式脂肪酸异构体的总含量,用拉曼光谱技术检测食用油中不同反式脂肪酸异构体的相对含量,而后两者结合来实现食用油中反式脂肪酸异构体含量的快速定量检测;并在建模过程中对温湿度参数进行校准,在检测过程中结合温湿度参数,排除温湿度差异对检测结果的干扰。
Description
技术领域
本发明属于光谱检测领域,涉及一种食用油成分光谱检测方法,尤其是一种食用油反式脂肪酸异构体含量的快速检测方法。
背景技术
食用油是人们生活的必需品,而食用油脂的氢化加工、精炼及脱臭工艺等均会产生各种反式脂肪酸异构体。不同的反式脂肪酸异构体对人体健康的危害有较大差异,如原发性心脏骤停发病率与反式十八碳二烯酸含量显著相关,而与反式十八碳烯酸相关性小;冠心病风险升高与反式十八碳烯酸(C18:1 9t、C18:1 12t)含量相关,而与反式十八碳烯酸(C18:1 7t)无关。因此,非常有必要对食用油中的各反式脂肪酸异构体含量进行快速检测。
近红外光谱技术是一种快速、无损、绿色的现代分析技术,可以用于食用油中总反式脂肪酸含量的快速定量检测。但由于反式脂肪酸异构体之间的近红外光谱差异小且含量低,近红外光谱技术对食用油中各种反式脂肪酸异构体含量的区分效果差。
拉曼光谱被称为分子指纹光谱,可以用于鉴别分子异构体。而表面增强拉曼光谱技术是将待测分子吸附在粗糙的纳米金属材料表面进行拉曼信号检测,可使待测物的拉曼信号增强约6~10个数量级。但由于拉曼增强基底的均一性和可靠性等原因,表面增强拉曼光谱技术可以用于微量及痕量的分子异构体的定性及不同分子异构体相对含量检测,但对于总反式脂肪酸异构体含量的定量检测仍是难题。
因此,本发明联合近红外及表面增强拉曼光谱技术的优势,提出采用两种光谱技术来检测食用油中的反式脂肪酸异构体含量,实现其含量的快速定量检测。
发明内容
本发明的目的在于解决近红外光谱技术对食用油中各种不同反式脂肪酸异构体含量的区分效果差的问题,提供一种食用油反式脂肪酸异构体含量的快速检测方法,结合近红外及表面增强拉曼光谱技术,对食用油中各种反式脂肪酸异构体的总含量和单成分含量进行检测。
本发明解决其技术问题所采用的技术方案是:一种食用油反式脂肪酸异构体含量的快速检测方法,其特征在于:包括以下步骤:
步骤1:利用近红外光谱技术建立食用油中总反式脂肪酸含量的线性回归方程;
步骤1.1,采集n个食用油样本分别记为S1,S2,S3,…,Sn;
步骤1.2,为消除环境温度和相对湿度对食用油总反式脂肪酸预测精度的影响,对于温度和相对湿度两个因素,各取6个水平,温度分别为0℃、10℃、20℃、30℃、40℃、50℃,相对湿度分别为10%、26%、42%、58%、74%、90%,按照均匀设计表中的1、3两列安排温度和相对湿度两因素(《试验设计与数据处理》,李云雁,胡传荣编著,第二版,化学工业出版社,2008.7,P162-163),设计6组温湿度组合条件,依次为[0℃,42%]、[10℃,90%]、[20℃,26%]、[30℃,74%]、[40℃,10%]、[50℃,58%];
步骤1.3,在第1组温湿度组合条件下,即温度0℃及相对湿度42%条件下,以透射方式采集近红外参比光谱,近红外参比光谱能量记为Iref(1);
步骤1.4,在第1组温湿度组合条件下,对于n个食用油样本,以空气为参比,并以透射方式分别采集n个样本的近红外光谱,其光谱能量分别记为I1(1),I2(1),I3(1),…,In(1);
步骤1.5,对于n个食用油样本,分别将步骤1.4中的样本近红外光谱能量与步骤1.3中的近红外参比光谱能量相除,获得样本近红外光谱的透射率,分别记为T1(1),T2(1),T3(1),…,Tn(1),其中,第i个食用油样本1≤i≤n;
步骤1.6,在第2~6组温湿度组合条件下,分别参照步骤1.3和步骤1.4采集参比光谱和n个样本的近红外光谱,并参照步骤1.5获得n个样本近红外光谱的透射率,其中,近红外参比光谱分别记为Iref(2),Iref(3),Iref(4),Iref(5),Iref(6),n个样本在第2~6组温湿度条件下的近红外光谱能量分别记为I1(2),I2(2),I3(2),…,In(2),I1(3),I2(3),I3(3),…,In(3),I1(4),I2(4),I3(4),…,In(4),I1(5),I2(5),I3(5),…,In(5),I1(6),I2(6),I3(6),…,In(6),n个样本近红外光谱的透射率分别记为为T1(2),T2(2),T3(2),…,Tn(2),T1(3),T2(3),T3(3),…,Tn(3),T1(4),T2(4),T3(4),…,Tn(4),T1(5),T2(5),T3(5),…,Tn(5),T1(6),T2(6),T3(6),…,Tn(6),其中,第i个食用油样本在第j组温湿度组合条件下1≤i≤n,2≤j≤6;
步骤1.7,采用国家标准方法GB 5009.257-2016分别测定n个食用油样本的总反式脂肪酸真实含量,分别记为C1,C2,C3,…,Cn;
步骤1.8,采用竞争自适应重加权采样算法提取食用油总反式脂肪酸的近红外特征波长,分别记为λ1,λ2,λ3,…,λk;竞争自适应重加权采样(Competitive adaptivereweighted sampling,文献出处:Li H,Liang Y,Xu Q,Cao D.Key wavelengthsscreening using competitive adaptive reweighted sampling method formultivariate calibration.Analytica Chimica Acta,2009,648(1):77-84.);
步骤1.10,对于食用油样本S2、S3、…、Sn,按照步骤1.9分别提取其k个近红外特征波长的透射率值,食用油样本S2、S3、…、Sn的k个近红外特征波长的透射率分别记为
…;
步骤1.11,以k个近红外特征波长的透射率值、温度及相对湿度值为自变量,步骤1.7中的食用油样本的真实总反式脂肪酸含量值为因变量,采用多元线性回归将自变量与因变量进行关联,建立食用油总反式脂肪酸含量的线性回归方程,线性回归方程为其中为k个近红外特征波长对应的透射率值,W为温度,RH为相对湿度,a1,a2,a3…ak、b1及b2为回归方程的系数,d为方程的截距;步骤2:反式脂肪酸异构体的拉曼特征变量提取及浓度系数确定;
步骤2.1,分别采集m个不同的反式脂肪酸异构体的标准品;
步骤2.2,将纳米金胶分别加入m个反式脂肪酸异构体的标准品中,然后采用拉曼光谱仪分别采集m个反式脂肪酸异构体标准品的表面增强拉曼光谱,分别记为R1,R2,R3,…,Rm;
步骤2.3,通过对比表面增强拉曼光谱R1,R2,R3,…,Rm之间的差异,确定各反式脂肪酸异构体的拉曼特征变量,m个反式脂肪酸异构体的拉曼特征变量分别记为V1,V2,V3,…,Vm;
步骤2.4,将m个反式脂肪酸异构体的标准品混合,配置成三份溶液,分别记为SR1,SR2,SR3;SR1溶液中,m个反式脂肪酸异构体的浓度均相同,为0.05%;SR2溶液中,m个反式脂肪酸异构体的浓度均相同,为0.25%;SR3溶液中,m个反式脂肪酸异构体的浓度均相同,为0.5%;步骤2.5,将纳米金胶加入SR1溶液中,采用拉曼光谱仪采集SR1的表面增强拉曼光谱,并分别提取拉曼特征变量V1,V2,V3,…,Vm的拉曼强度,记为将特征变量的拉曼强度均除以SR1溶液的反式脂肪酸异构体浓度0.05%,获得的值称为浓度系数SR1,分别记为
步骤3:反式脂肪酸异构体含量的快速定量预测;
步骤3.1,对于待测食用油样本Sp,以透射方式采集其近红外光谱,记为Ip,以空气为参比,并采集近红外参比光谱记为Iref_p,将近红外光谱Ip与参比光谱Iref_p相除,获得样本Sp近红外光谱的透射率,记为Tp;对于样本Sp近红外光谱的透射率Tp,提取近红外特征波长λ1,λ2,λ3,…,λk的透射率值,记为并用温湿度计获得光谱采集的温度和相对湿度,分别记为Wp和RHp;
步骤3.3,将纳米金胶加入食用油样本Sp中,然后采用拉曼光谱仪采集食用油样本Sp的表面增强拉曼光谱,分别提取m个反式脂肪酸异构体的特征变量V1,V2,V3,…,Vm的拉曼强度,记为将拉曼强度分别除以相应的浓度系数获取食用油样本Sp中m个反式脂肪酸异构体的相对含量,分别记为其中1≤q≤m;
步骤3.4,将m个反式脂肪酸异构体的相对含量求和,其求和值则m个反式脂肪酸异构体含量计算如下, 其中Cp1,Cp2,Cp3,…,Cpm分别为食用油样本Sp中m个反式脂肪酸异构体的预测含量,从而实现食用油中反式脂肪酸异构体含量的快速定量检测。
作为优选,步骤3.1中,近红外参比光谱2~3小时采集一次。
本发明用近红外光谱检测食用油中反式脂肪酸异构体的总含量,用拉曼光谱技术检测食用油中不同反式脂肪酸异构体的相对含量,而后两者结合来实现食用油中反式脂肪酸异构体含量的快速定量检测;并在建模过程中对温湿度参数进行校准,在检测过程中结合温湿度参数,排除温湿度差异对检测结果的干扰。
附图说明
下面结合附图对本发明做进一步说明。
图1是本发明检测方法可用的一种光谱检测设备示意图。
图3所本发明双因素试验的试验设计表。
图中:1、拉曼光谱用激光器,2、第二反射镜,3、中性密度滤光片,4、第二输入光纤,5、第二输出光纤,6、拉曼光谱仪,7、数据存储器,8、近红外光谱仪,9、第一输出光纤,10、光路转换器,11、第一输入光纤,12、第一凸透镜,13、温湿度传感器,14、置物台,15、分束镜,16、近红外光源,17、第一反射镜,18、第二凸透镜。
具体实施方式
下面通过具体实施例并结合附图对本发明进一步说明。
实施例:一种食用油反式脂肪酸异构体含量的快速检测方法,采用如图1所示的近红外光谱-拉曼光谱双通道光谱检测仪获取近红外光谱和拉曼光谱。如图1所示,光谱检测仪包括放置样品的置物台14,置物台上放置样品,置物台的一侧设有温湿度传感器13。置物台的上方入射拉曼光谱激光光源:在置物台上方设有拉曼光谱用激光器1,拉曼光谱用激光器横向设置,水平输出激光光源,拉曼光谱用激光器1和置物台14之间依次设有第二反射镜2、第二凸透镜18,第二反射镜2的入射光和反射光夹角为90度。拉曼光谱用激光器输出的激光光源通过反射镜转折到竖直向下,并通过第二凸透镜18聚光照射置物台14上的样品。置物台14的左侧设有近红外光源16,与近红外光源16相对的置物台右侧依次设有第一凸透镜12和第一光谱传感器,第一光谱传感器通过第一输入光纤11连接光路转换器10。近红外光源16和置物台14之间设有分束镜15,分束镜15上侧在分出的光路上设置第一反射镜17,所述第一反射镜的入射光和反射光夹角为90度,分束镜分出的折射光经过第一反射镜反射后与分束镜中分出的直射光平行。第一反射镜17折射后的光路上设置有第二光谱传感器,第二光谱传感器前侧还设有中性密度滤光片3,第二光谱传感器通过第二输入光纤4连接光路转换器10。第一光谱传感器和第二光谱传感器为直接套设在光纤端部的光纤探头。所述光路转换器10通过第一输出光纤9连接近红外光谱仪8,光路转换器10通过第二输出光纤5连接拉曼光谱仪6,近红外光谱仪8和拉曼光谱仪6连接同一个数据存储器7。
本实施例的食用油反式脂肪酸异构体含量的快速检测方法,包括以下步骤:
步骤1:利用近红外光谱技术建立食用油中总反式脂肪酸含量的线性回归方程;
步骤1.1,采集n个食用油样本分别记为S1,S2,S3,…,Sn;
步骤1.2,为消除环境温度和相对湿度对食用油总反式脂肪酸预测精度的影响,对于温度和相对湿度两个因素,各取6个水平,温度分别为0℃、10℃、20℃、30℃、40℃、50℃,相对湿度分别为10%、26%、42%、58%、74%、90%,如图2所示,按照均匀设计表U6*(64)中的1、3两列安排温度和相对湿度两因素,设计如图3所示的6组温湿度组合条件,依次为[0℃,42%]、[10℃,90%]、[20℃,26%]、[30℃,74%]、[40℃,10%]、[50℃,58%];
步骤1.3,在第1组温湿度组合条件下,即温度0℃及相对湿度42%条件下,以空气为参比,并以透射方式采集近红外参比光谱,近红外参比光谱能量记为Iref(1);
步骤1.4,在第1组温湿度组合条件下,对于n个食用油样本,以透射方式分别采集n个样本的近红外光谱,其光谱能量分别记为I1(1),I2(1),I3(1),…,In(1);
步骤1.5,对于n个食用油样本,分别将步骤1.4中的样本近红外光谱能量与步骤1.3中的近红外参比光谱能量相除,获得样本近红外光谱的透射率,分别记为T1(1),T2(1),T3(1),…,Tn(1),其中,第i个食用油样本1≤i≤n;
步骤1.6,在第2~6组温湿度组合条件下,分别参照步骤1.3和步骤1.4采集参比光谱和n个样本的近红外光谱,并参照步骤1.5获得n个样本近红外光谱的透射率,其中,近红外参比光谱分别记为Iref(2),Iref(3),Iref(4),Iref(5),Iref(6),n个样本在第2~6组温湿度条件下的近红外光谱能量分别记为I1(2),I2(2),I3(2),…,In(2),I1(3),I2(3),I3(3),…,In(3),I1(4),I2(4),I3(4),…,In(4),I1(5),I2(5),I3(5),…,In(5),I1(6),I2(6),I3(6),…,In(6),n个样本近红外光谱的透射率分别记为为T1(2),T2(2),T3(2),…,Tn(2),T1(3),T2(3),T3(3),…,Tn(3),T1(4),T2(4),T3(4),…,Tn(4),T1(5),T2(5),T3(5),…,Tn(5),T1(6),T2(6),T3(6),…,Tn(6),其中,第i个食用油样本在第j组温湿度组合条件下1≤i≤n,2≤j≤6;
步骤1.7,采用国家标准方法GB 5009.257-2016分别测定n个食用油样本的总反式脂肪酸真实含量,分别记为C1,C2,C3,…,Cn;
步骤1.8,采用竞争自适应重加权采样算法提取食用油总反式脂肪酸的近红外特征波长,分别记为λ1,λ2,λ3,…,λk;竞争自适应重加权采样(Competitive adaptivereweighted sampling,文献出处:Li H,Liang Y,Xu Q,Cao D.Key wavelengthsscreening using competitive adaptive reweighted sampling method formultivariate calibration.Analytica Chimica Acta,2009,648(1):77-84.);
步骤1.10,对于食用油样本S2、S3、…、Sn,按照步骤1.9分别提取其k个近红外特征波长的透射率值,食用油样本S2、S3、…、Sn的k个近红外特征波长的透射率分别记为
…;
步骤1.11,以k个近红外特征波长的透射率值、温度及相对湿度值为自变量,步骤1.7中的食用油样本的真实总反式脂肪酸含量值为因变量,采用多元线性回归将自变量与因变量进行关联,建立食用油总反式脂肪酸含量的线性回归方程,线性回归方程为其中为k个近红外特征波长对应的透射率值,W为温度,RH为相对湿度,a1,a2,a3…ak、b1及b2为回归方程的系数,d为方程的截距;
步骤2:反式脂肪酸异构体的拉曼特征变量提取及浓度系数确定;
步骤2.1,分别采集m个不同的反式脂肪酸异构体的标准品;
步骤2.2,将纳米金胶分别加入m个反式脂肪酸异构体的标准品中,然后采用拉曼光谱仪分别采集m个反式脂肪酸异构体标准品的表面增强拉曼光谱,分别记为R1,R2,R3,…,Rm;
步骤2.3,通过对比表面增强拉曼光谱R1,R2,R3,…,Rm之间特征波段位置的差异,确定各反式脂肪酸异构体的拉曼特征变量,m个反式脂肪酸异构体的拉曼特征变量分别记为V1,V2,V3,…,Vm;
步骤2.4,将m个反式脂肪酸异构体的标准品混合,配置成三份溶液,分别记为SR1,SR2,SR3;SR1溶液中,m个反式脂肪酸异构体的浓度均相同,为0.05%;SR2溶液中,m个反式脂肪酸异构体的浓度均相同,为0.25%;SR3溶液中,m个反式脂肪酸异构体的浓度均相同,为0.5%;步骤2.5,将纳米金胶加入SR1溶液中,采用拉曼光谱仪采集SR1的表面增强拉曼光谱,并分别提取拉曼特征变量V1,V2,V3,…,Vm的拉曼强度,记为将特征变量的拉曼强度均除以SR1溶液的反式脂肪酸异构体浓度0.05%,获得的值称为浓度系数SR1,分别记为
步骤3:反式脂肪酸异构体含量的快速定量预测;
步骤3.1,对于待测食用油样本Sp,以透射方式采集其近红外光谱,记为Ip,并以空气为参比,并每隔2-3小时采集近红外参比光谱记为Iref_p,将近红外光谱Ip与参比光谱Iref_p相除,获得样本Sp近红外光谱的透射率,记为Tp;对于样本Sp近红外光谱的透射率Tp,提取近红外特征波长λ1,λ2,λ3,…,λk的透射率值,记为并用温湿度计获得光谱采集的温度和相对湿度,分别记为Wp和RHp;
步骤3.3,将纳米金胶加入食用油样本Sp中,然后采用拉曼光谱仪采集食用油样本Sp的表面增强拉曼光谱,分别提取m个反式脂肪酸异构体的特征变量V1,V2,V3,…,Vm的拉曼强度,记为将拉曼强度分别除以相应的浓度系数获取食用油样本Sp中m个反式脂肪酸异构体的相对含量,分别记为其中1≤q≤m;
Claims (2)
1.一种食用油反式脂肪酸异构体含量的快速检测方法,其特征在于:包括以下步骤:
步骤1:利用近红外光谱技术建立食用油中总反式脂肪酸含量的线性回归方程;
步骤1.1,采集n个食用油样本分别记为S1,S2,S3,…,Sn;
步骤1.2,为消除环境温度和相对湿度对食用油总反式脂肪酸预测精度的影响,对于温度和相对湿度两个因素,各取6个水平,温度分别为0℃、10℃、20℃、30℃、40℃、50℃,相对湿度分别为10%、26%、42%、58%、74%、90%,按照均匀设计表中的1、3两列安排温度和相对湿度两因素,设计6组温湿度组合条件,依次为[0℃,42%]、[10℃,90%]、[20℃,26%]、[30℃,74%]、[40℃,10%]、[50℃,58%];
步骤1.3,在第1组温湿度组合条件下,即温度0℃及相对湿度42%条件下,以空气为参比,并以透射方式采集近红外参比光谱,近红外参比光谱能量记为Iref(1);
步骤1.4,在第1组温湿度组合条件下,对于n个食用油样本,以透射方式分别采集n个样本的近红外光谱,其光谱能量分别记为I1(1),I2(1),I3(1),…,In(1);
步骤1.5,对于n个食用油样本,分别将步骤1.4中的样本近红外光谱能量与步骤1.3中的近红外参比光谱能量相除,获得样本近红外光谱的透射率,分别记为T1(1),T2(1),T3(1),…,Tn(1),其中,第i个食用油样本1≤i≤n;
步骤1.6,在第2~6组温湿度组合条件下,分别参照步骤1.3和步骤1.4采集参比光谱和n个样本的近红外光谱,并参照步骤1.5获得n个样本近红外光谱的透射率,其中,近红外参比光谱分别记为Iref(2),Iref(3),Iref(4),Iref(5),Iref(6),n个样本在第2~6组温湿度条件下的近红外光谱能量分别记为I1(2),I2(2),I3(2),…,In(2),I1(3),I2(3),I3(3),…,In(3),I1(4),I2(4),I3(4),…,In(4),I1(5),I2(5),I3(5),…,In(5),I1(6),I2(6),I3(6),…,In(6),n个样本近红外光谱的透射率分别记为T1(2),T2(2),T3(2),…,Tn(2),T1(3),T2(3),T3(3),…,Tn(3),T1(4),T2(4),T3(4),…,Tn(4),T1(5),T2(5),T3(5),…,Tn(5),T1(6),T2(6),T3(6),…,Tn(6),其中,第i个食用油样本在第j组温湿度组合条件下1≤i≤n,2≤j≤6;
步骤1.7,采用国家标准方法GB 5009.257-2016分别测定n个食用油样本的总反式脂肪酸真实含量,分别记为C1,C2,C3,…,Cn;
步骤1.8,采用竞争自适应重加权采样算法提取食用油总反式脂肪酸的近红外特征波长,分别记为λ1,λ2,λ3,…,λk;
步骤1.10,对于食用油样本S2、S3、…、Sn,按照步骤1.9分别提取其k个近红外特征波长的透射率值,食用油样本S2、S3、…、Sn的k个近红外特征波长的透射率分别记为
步骤1.11,以k个近红外特征波长的透射率值、温度及相对湿度值为自变量,步骤1.7中的食用油样本的真实总反式脂肪酸含量值为因变量,采用多元线性回归将自变量与因变量进行关联,建立食用油总反式脂肪酸含量的线性回归方程,线性回归方程为其中为k个近红外特征波长对应的透射率值,W为温度,RH为相对湿度,a1,a2,a3…ak、b1及b2为回归方程的系数,d为方程的截距;
步骤2:反式脂肪酸异构体的拉曼特征变量提取及浓度系数确定;
步骤2.1,分别采集m个不同的反式脂肪酸异构体的标准品;
步骤2.2,将纳米金胶分别加入m个反式脂肪酸异构体的标准品中,然后采用拉曼光谱仪分别采集m个反式脂肪酸异构体标准品的表面增强拉曼光谱,分别记为R1,R2,R3,…,Rm;
步骤2.3,通过对比表面增强拉曼光谱R1,R2,R3,…,Rm之间的差异,确定各反式脂肪酸异构体的拉曼特征变量,m个反式脂肪酸异构体的拉曼特征变量分别记为V1,V2,V3,…,Vm;
步骤2.4,将m个反式脂肪酸异构体的标准品混合,配置成三份溶液,分别记为SR1,SR2,SR3;SR1溶液中,m个反式脂肪酸异构体的浓度均相同,为0.05%;SR2溶液中,m个反式脂肪酸异构体的浓度均相同,为0.25%;SR3溶液中,m个反式脂肪酸异构体的浓度均相同,为0.5%;
步骤2.5,将纳米金胶加入SR1溶液中,采用拉曼光谱仪采集SR1的表面增强拉曼光谱,并分别提取拉曼特征变量V1,V2,V3,…,Vm的拉曼强度,记为将特征变量的拉曼强度均除以SR1溶液的反式脂肪酸异构体浓度0.05%,获得的值称为浓度系数SR1,分别记为
步骤3:反式脂肪酸异构体含量的快速定量预测;
步骤3.1,对于待测食用油样本Sp,以透射方式采集其近红外光谱,记为Ip,以空气为参比,并采集近红外参比光谱记为Iref_p,将近红外光谱Ip与参比光谱Iref_p相除,获得样本Sp近红外光谱的透射率,记为Tp;对于样本Sp近红外光谱的透射率Tp,提取近红外特征波长λ1,λ2,λ3,…,λk的透射率值,记为并用温湿度计获得光谱采集的温度和相对湿度,分别记为Wp和RHp;
步骤3.3,将纳米金胶加入食用油样本Sp中,然后采用拉曼光谱仪采集食用油样本Sp的表面增强拉曼光谱,分别提取m个反式脂肪酸异构体的特征变量V1,V2,V3,…,Vm的拉曼强度,记为将拉曼强度分别除以相应的浓度系数获取食用油样本Sp中m个反式脂肪酸异构体的相对含量,分别记为其中1≤q≤m;
2.根据权利要求1所述的一种食用油反式脂肪酸异构体含量的快速检测方法,其特征在于:步骤3.1中,近红外参比光谱2~3小时采集一次。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911193318.5A CN110865046B (zh) | 2019-11-28 | 2019-11-28 | 一种食用油反式脂肪酸异构体含量的快速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911193318.5A CN110865046B (zh) | 2019-11-28 | 2019-11-28 | 一种食用油反式脂肪酸异构体含量的快速检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110865046A CN110865046A (zh) | 2020-03-06 |
CN110865046B true CN110865046B (zh) | 2022-01-07 |
Family
ID=69656997
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911193318.5A Active CN110865046B (zh) | 2019-11-28 | 2019-11-28 | 一种食用油反式脂肪酸异构体含量的快速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110865046B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112179891B (zh) * | 2020-09-29 | 2022-02-18 | 浙江农林大学 | 一种食用油中塑化剂含量的快速无损检测方法 |
CN114324558B (zh) * | 2021-12-30 | 2024-04-12 | 浙江农林大学 | 一种食用油快速定性定量掺假鉴别的装置和直接质谱方法 |
CN118209506A (zh) * | 2024-03-19 | 2024-06-18 | 绍兴上虞力姿生物科技有限公司 | 一种检测清洁剂使用残留量的实验方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101504362A (zh) * | 2009-03-18 | 2009-08-12 | 哈尔滨商业大学 | 基于近红外光谱技术快速检测食用油脂中反式脂肪酸含量 |
CN102692391A (zh) * | 2011-03-24 | 2012-09-26 | 河南省产品质量监督检验院 | 一种快速测定食品中反式脂肪酸的方法 |
JP2015135323A (ja) * | 2013-12-20 | 2015-07-27 | 築野食品工業株式会社 | 近赤外分光法を用いた植物油脂またはその原料中の遊離脂肪酸の定量方法 |
CN105021535A (zh) * | 2015-08-07 | 2015-11-04 | 中南林业科技大学 | 一种稻谷脂肪酸含量无损检测方法及系统 |
CN108362659A (zh) * | 2018-02-07 | 2018-08-03 | 武汉轻工大学 | 基于多源光谱并联融合的食用油种类快速鉴别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050250212A1 (en) * | 2004-05-07 | 2005-11-10 | Hormoz Azizian | FT-NIR fatty acid determination method |
-
2019
- 2019-11-28 CN CN201911193318.5A patent/CN110865046B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101504362A (zh) * | 2009-03-18 | 2009-08-12 | 哈尔滨商业大学 | 基于近红外光谱技术快速检测食用油脂中反式脂肪酸含量 |
CN102692391A (zh) * | 2011-03-24 | 2012-09-26 | 河南省产品质量监督检验院 | 一种快速测定食品中反式脂肪酸的方法 |
JP2015135323A (ja) * | 2013-12-20 | 2015-07-27 | 築野食品工業株式会社 | 近赤外分光法を用いた植物油脂またはその原料中の遊離脂肪酸の定量方法 |
CN105021535A (zh) * | 2015-08-07 | 2015-11-04 | 中南林业科技大学 | 一种稻谷脂肪酸含量无损检测方法及系统 |
CN108362659A (zh) * | 2018-02-07 | 2018-08-03 | 武汉轻工大学 | 基于多源光谱并联融合的食用油种类快速鉴别方法 |
Non-Patent Citations (2)
Title |
---|
Developing a rapid and sensitive method for determination of trans-fatty acids in edible oils using middle-infrared spectroscopy;Paulo Augusto da Costa Filho;《Food Chemistry》;20140228;第158卷;第1-7页 * |
食用植物油中反式脂肪酸含量的近红外及拉曼光谱快速检测研究;莫欣欣;《中国优秀博硕士学位论文全文数据库(硕士) 工程科技I辑》;20190215(第02期);第1-42页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110865046A (zh) | 2020-03-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | Hyperspectral imaging for predicting the internal quality of kiwifruits based on variable selection algorithms and chemometric models | |
Abu-Khalaf et al. | Visible/Near Infrared (VIS/NIR) spectroscopy as an optical sensor for evaluating olive oil quality | |
Hu et al. | Rapid detection of three quality parameters and classification of wine based on Vis-NIR spectroscopy with wavelength selection by ACO and CARS algorithms | |
Urbano-Cuadrado et al. | Near infrared reflectance spectroscopy and multivariate analysis in enology: Determination or screening of fifteen parameters in different types of wines | |
CN110865046B (zh) | 一种食用油反式脂肪酸异构体含量的快速检测方法 | |
Patz et al. | Application of FT-MIR spectrometry in wine analysis | |
Sheng et al. | Model development for soluble solids and lycopene contents of cherry tomato at different temperatures using near-infrared spectroscopy | |
Flores et al. | Feasibility in NIRS instruments for predicting internal quality in intact tomato | |
CN101922969A (zh) | 紫外、可见、近红外在线检测漫反射光谱分析仪 | |
Yue et al. | A smart data-driven rapid method to recognize the strawberry maturity | |
Rady et al. | Near-infrared spectroscopy and hyperspectral imaging for sugar content evaluation in potatoes over multiple growing seasons | |
Omar et al. | Peak response identification through near-infrared spectroscopy analysis on aqueous sucrose, glucose, and fructose solution | |
WO2005111583A1 (ja) | 近赤外線分光法による野菜等の成分の非破壊検査法、及び同装置 | |
Rahman et al. | Hyperspectral imaging technique to evaluate the firmness and the sweetness index of tomatoes | |
Liu et al. | Nondestructive freshness evaluation of intact prawns (Fenneropenaeus chinensis) using line-scan spatially offset Raman spectroscopy | |
Heo et al. | Prediction of moisture content in steamed and dried purple sweet potato using hyperspectral imaging analysis | |
Si et al. | Quality assessment of fruits and vegetables based on spatially resolved spectroscopy: A review | |
Hao et al. | Study on robust model construction method of multi-batch fruit online sorting by near-infrared spectroscopy | |
Zeb et al. | Towards sweetness classification of orange cultivars using short-wave NIR spectroscopy | |
Feng et al. | Nondestructive quality assessment and maturity classification of loquats based on hyperspectral imaging | |
Pan et al. | Detection of chlorophyll content based on optical properties of maize leaves | |
Dixit et al. | Identification and quantification of industrial grade glycerol adulteration in red wine with Fourier transform infrared spectroscopy using chemometrics and artificial neural networks | |
Joshi et al. | Quantitative analysis of glycerol concentration in red wine using Fourier transform infrared spectroscopy and chemometrics analysis | |
JP2007285922A (ja) | 近赤外光を用いた臨床血液検査方法 | |
Yang et al. | Rapid discrimination of urine specific gravity using spectroscopy and a modified combination method based on SPA and spectral index |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |